基于图卷积网络的高光谱图像多视图子空间聚类
计算机视觉与模式识别
2024-03-05 v1
摘要
高维且复杂的光谱结构使得高光谱图像（HSI）的聚类成为一项具有挑战性的任务。子空间聚类已被证明是解决该问题的有效方法。然而，现有的子空间聚类算法主要针对单视图设计，未能充分利用 HSI 中的空间或纹理特征信息。本研究提出了一种基于图卷积网络的 HSI 多视图子空间聚类方法。(1) 本文利用图卷积网络强大的分类能力及其对节点间拓扑关系的学习能力，来分析与表达 HSI 的空间关系；(2) 将像素纹理与像素邻域的空间-光谱信息送入以构建两个图卷积子空间；(3) 采用基于注意力的融合模块自适应地构建更具判别性的特征图。该模型在三个常用的 HSI 数据集上进行了评估，包括 Indian Pines、Pavia University 和 Houston。其分别取得了 92.38%、93.43% 和 83.82% 的总体精度，显著优于当前最先进的聚类方法。综上，所提出的模型能有效提升 HSI 的聚类精度。
引用
@article{arxiv.2403.01465,
title = {Multiview Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks},
author = {Xianju Li and Renxiang Guan and Zihao Li and Hao Liu and Jing Yang},
journal= {arXiv preprint arXiv:2403.01465},
year = {2024}
}
备注
This paper was accepted by APWEB-WAIM 2024